UnionCreated using FigmalectureCreated using Figma
8187 https://ppc.world/uploads/images/67/d4/620e4184f27d2-ppc.png 2022-02-18 Другое Другое ppc.world 160 31

«Умный ремаркетинг»: как искусственный интеллект может оптимизировать контекст и таргет

Если сегменты для ретаргетинга получаются слишком широкими, расход средств идет неэффективно. И наоборот — на узкие целевые сегменты расхода почти нет. Избегать таких ситуаций помогают алгоритмы на основе искусственного интеллекта. Как это реализовано в агентстве «Риалвеб», рассказывают ведущий специалист Алексей Петров и руководитель группы направления ML Кирилл Костыренко.

Большинство пользователей не совершают конверсионное действие с первого визита на сайт. Но и возвращать каждого посетителя незачем — для ремаркетинга нужно выбрать лишь тех, кто заинтересован в продукте и оказался на сайте неслучайно. Обычно рекламу показывают пользователям, которые находятся на каком-то из этапов воронки продаж.

К сожалению, специалисты физически не могут анализировать сотни параметров и их комбинаций, которые позволят точнее таргетироваться именно на заинтересованных пользователей. Поэтому мы используем алгоритмы на основе искусственного интеллекта. Они находят закономерности в больших объемах данных и определяют вероятность, с которой пользователи совершат конверсию, — и уже на основании этого включают или не включают их в аудитории.

Как реализован процесс

Мы через API запрашиваем данные о пользователях у систем аналитики, и разработка на основе искусственного интеллекта определяет вероятность совершения конверсий у этих пользователей.

В основе разработки — библиотека машинного обучения CatBoost от Яндекса.
Для анализа используются поведенческие характеристики пользователя: продолжительность сессии, количество просмотренных страниц, устройство, достигнутые микроконверсии и так далее.

Такой анализ невозможно проводить штатными средствами систем аналитики и специалистами. Представьте, что у вас есть информация о 1 млн сессий пользователей. Без применения алгоритмов можно выявить лишь общие паттерны поведения (например, был на сайте больше 90 секунд). Алгоритмы же комбинируют различные параметры и позволяют находить более сложные поведенческие характеристики, недоступные человеку.

В нашем случае вероятность совершения конверсии — показатель от 0% до 100%. Чем ближе он к 100%, тем больше пользователи похожи на тех, кто ранее уже совершал конверсионное действие.

Теперь мы можем всю аудиторию разделить на группы по вероятности совершения конверсии. Чем выше вероятность, тем ценнее эта аудитория для нас, и чтобы вернуть такую аудиторию на сайт, мы готовы потратить больше денег.

В зависимости от сферы бизнеса и объема трафика на сайте мы можем делить аудиторию на несколько категорий (от 3 до 10), и использовать для каждой аудитории разные ставки и креативы. Например:

Вероятность совершения конверсии

Интерпретация

Подход

0–40%

Низкая вероятность

Используем самые низкие ставки либо исключаем такую аудиторию из ремаркетинга

40%—60%

Средняя вероятность

Ставки оставляем прежними либо снижаем

60%—100%

Высокая вероятность

Повышаем ставки на ремаркетинг

Мы используем Яндекс.Метрику и Google Analytics и транслируем наши аудитории соответственно в Яндекс.Директ и Google Ads. Но поскольку алгоритм позволяет оптимизировать ремаркетинг для любых рекламных систем, мы решили транслировать аудитории пользователей в рекламные кабинеты соцсетей myTarget и Facebook.

На данный момент схема нашего ремаркетинга выглядит так:

Схема ремаркетинга

Основное отличие такого ремаркетинга — мы не используем данные о соцдеме или интересах пользователей. Весь анализ проводится только на основе информации о поведении пользователей на сайте.

Какие результаты показал умный ремаркетинг

Основная рекомендация для корректного сбора аудитории и запуска рекламы по ней — достаточная емкость данных (от 100 000 пользователей) на сайте за последние 30–90 дней.

Например, для клиента из автотематики мы сделали проброс аудиторий как для контекстной, так и для таргетированной рекламы. Умный ремаркетинг настраивали от пользователей, которые оставили заявку на тест-драйв. Сформировалась аудитория look-alike, которая по поведению похожа на тех, кто оставил заявку, после чего мы передали ее в рекламные кабинеты систем.

Такой аудитории нужно время для набора объема, поэтому мы не рекомендуем сразу после создания запускать по ней рекламу, поскольку охваты получаются небольшие. Лучше заранее подготовить базу и спустя пару недель начать показы. Так по итогу мы получим более репрезентативные данные.

Мы не отказывались от классического ремаркетинга и разделили аудиторию на две группы для возврата пользователей на сайт.

  1. Пользователи первой группы были на странице модели и проявили активность: посещали несколько страниц, скачивали материалы, искали дилеров и так далее. Такая аудитория уже давно зарекомендовала себя и показывала хорошие результаты.

  2. Второй группой была аудитория умного ремаркетинга. Здесь мы отдельно запустили рекламу для нескольких моделей. Для каждой из них был подготовлен соответствующий креатив и призыв записаться на тест-драйв.

Для социальных сетей оценивали заявки на тест-драйв. Для контекста оценивали достижение целей по поиску дилеров, так как данных по заявкам на тест-драйв оттуда с ремаркетинга всегда было немного.

Общая микроконверсия для всех систем — CPQV (Cost per quality visit), то есть стоимость одного качественного визита (в Google Analytics это визиты без отказов). Чем ниже стоимость качественного визита, тем лучше.

На протяжении нескольких месяцев мы следили за откруткой и показателями. По итогу набрали достаточный объем данных для принятия решения.

В таргетированной рекламе

Начнем разбор данных с социальных сетей:

Система

Аудитория

Расход в рублях

QV

CPQV в рублях

Заявки на тест- драйв

CPA (заявки) в рублях

Звонки

CPA (звонки) в рублях

Facebook

Ремаркетинг

85 066,61

1519

56,00

18

4 725,92

5

17 013,32

Facebook

Умный ремаркетинг

12 039,95

130

92,62

4

3 009,99

0

-

myTarget

Ремаркетинг

34 037,78

921

36,96

5

6 807,56

165

206,29

myTarget

Умный ремаркетинг

43 382,17

431

100,65

2

21 691,09

201

215,83

Стоимость заявки из аудитории умного ремаркетинга в Facebook получилась на 36,3% меньше в сравнении с классическим ремаркетингом.

При этом в myTarget стоимость заявки по умному ремаркетингу получилась в три раза выше. Но после postview-анализа звонков мы увидели, что привели их больше практически за такую же стоимость, как и у классического ремаркетинга.

В контекстной рекламе

Умный ремаркетинг в контекстной рекламе через Яндекс.Директ и Google Ads с тем же клиентом тоже показал хорошие результаты. Запускали только в КМС и РСЯ, поисковый ремаркетинг не делали.

Вот каких результатов удалось достичь:

Система

Аудитория

Расход в рублях

QV

CPQV в рублях

Поиск дилера

CPA в рублях

Google

Классический ремаркетинг

43 963,76

1 448

30,36

84

523,38

Google

Умный ремаркетинг

10 304,73

334

30,85

51

202,05

Яндекс

Классический ремаркетинг

41 553,25

620

67,02

26

1 598,20

Яндекс

Умный ремаркетинг

10 690,05

249

42,93

11

971,82

По итогам нескольких месяцев работы рекламы в Google Ads мы получили CPQV на том же уровне, что и классический ремаркетинг (при условии, что аудитория умного гораздо уже), а стоимость пользователей, которые искали дилеров, снизили за счет умного ремаркетинга. CPA в умном получился на 61% ниже в сравнении с классическим.

CPQV в Яндекс.Директе у группы умного ремаркетинга получился в полтора раза ниже, а CPA на 39% ниже.

При этом стоит обратить внимание на общее количество расходов по группам. Из-за объемов своих аудиторий умный ремаркетинг реализовал в четыре раза меньший бюджет, чем классический ремаркетинг.

Последние комментарии

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам: